Hubo un tiempo en que saber enviar un correo electrónico era una habilidad que valía la pena mencionar.
Después pasó algo parecido con buscar información en Internet, usar un procesador de texto o trabajar con una planilla. Ninguna de esas capacidades dejó de ser útil. Ocurrió algo distinto: se volvieron tan comunes que ya no alcanzaban para diferenciarnos.
Creo que con la inteligencia artificial va a pasar lo mismo.
Hoy decir “sé usar IA” todavía puede separar a una persona de otra. Dentro de poco puede sonar como decir “sé usar Internet”. Perfecto, lo damos por hecho. Ahora contame qué sabés hacer con eso.
No estoy diciendo que aprender estas herramientas sea inútil. Probablemente ocurra lo contrario: van a ser tan importantes que terminaremos esperando cierta fluidez con IA en casi cualquier trabajo de conocimiento.
Y justamente por eso dejarán de ser una explicación completa de nuestro valor.
Toda tecnología nueva empieza como ventaja
Muchas tecnologías recorren un camino parecido.
Al principio, el simple acceso ya produce una diferencia. Pocas personas tienen la herramienta, aprenderla cuesta y las organizaciones todavía no saben dónde incorporarla.
Después aparece una etapa en la que usarla bien sí distingue. Nacen técnicas, especialistas y personas que obtienen resultados muy superiores al promedio. En IA estamos viviendo bastante de eso: algunos apenas hacen su primera consulta mientras otros coordinan agentes, conectan sistemas, diseñan evaluaciones y automatizan procesos completos.
Finalmente, la tecnología se integra en todas partes. La interfaz mejora, el costo baja y la capacidad empieza a operar en segundo plano. Ya no pensamos en el corrector ortográfico cada vez que escribimos. Tampoco explicamos que utilizamos un buscador para preparar una presentación.
Con la IA, los sistemas elegirán modelos por nosotros, nuestras herramientas habituales incorporarán funciones generativas y muchas tareas dejarán de pedir un prompt explícito. La capacidad seguirá ahí, pero será menos visible.
Cuando todo el mundo tenga acceso a una versión suficientemente buena, el valor volverá a moverse.
Tener la misma herramienta no produce el mismo resultado
Dos personas pueden utilizar el mismo modelo, pagar la misma suscripción y dedicarle la misma cantidad de tiempo. Aun así, pueden llegar a resultados completamente distintos.
Una pide una estrategia comercial y copia una respuesta prolija pero genérica. La otra conoce a sus clientes, detecta que falta un dato, cuestiona una suposición, prueba dos escenarios y convierte el resultado en una decisión que el equipo puede ejecutar.
El modelo es el mismo. Lo que cambia es todo lo que la persona pone alrededor.
Un working paper del Fondo Monetario Internacional publicado en septiembre de 2026 estudia una idea parecida a escala de países. Su argumento es que el acceso a tecnología y conocimiento no garantiza por sí solo una mejora de productividad. Importa la capacidad de absorber ese conocimiento, adaptarlo e incorporarlo a resultados reales.
El trabajo analiza economías, no carreras individuales. Trasladar la idea a personas y empresas es una interpretación, no una conclusión directa del estudio. Pero la pregunta que deja es muy buena:
¿Qué capacidad tenemos para convertir inteligencia disponible en algo útil?
Tener acceso a una respuesta no equivale a saber qué hacer con ella. La IA puede democratizar capacidades sin democratizar automáticamente los resultados.
El prompt perfecto tiene una vida útil corta
Durante los primeros años de la IA generativa, aprender a escribir prompts parecía una nueva profesión universal. Surgieron fórmulas, plantillas y listas de palabras capaces, supuestamente, de desbloquear resultados extraordinarios.
Conocer la herramienta sigue importando. Dar contexto, pedir un formato claro, dividir una tarea y comprobar el resultado son prácticas útiles. Pero la interfaz también aprende.
Los modelos interpretan instrucciones cada vez más informales. Los productos agregan memoria, herramientas y contexto de forma automática. Algunos sistemas reformulan nuestras solicitudes, eligen qué modelo usar y planifican varios pasos sin mostrarnos todo el proceso.
Eso significa que una ventaja basada únicamente en conocer la frase exacta que funciona puede desaparecer cuando el producto incorpora esa técnica para todos.
No quiere decir que las especialidades en diseño de agentes, evaluación, seguridad, automatización o integración vayan a desaparecer. Esas áreas requieren profundidad técnica y seguirán evolucionando.
Quiere decir algo más sencillo: saber conversar con un chatbot será una capacidad básica, no una identidad profesional completa.
La IA no reemplaza el conocimiento de dominio; lo deja expuesto
Un modelo puede escribir con enorme seguridad sobre una industria que no conoce de verdad. Puede producir una propuesta impecable que viola una regulación, ignora una excepción operativa o simplemente no tiene sentido para ese cliente.
Una persona con conocimiento de dominio reconoce esas fallas. Sabe qué dato falta, qué regla no está escrita y qué parte de la respuesta suena bien pero sería imposible aplicar.
Podemos cargar esa información en el contexto, por supuesto. Pero alguien tuvo que saber que era importante, encontrarla, organizarla y mantenerla actualizada.
La IA reduce el costo de producir una primera respuesta. Eso puede volver más evidente la diferencia entre quien conoce el vocabulario de un sector y quien entiende cómo funciona realmente.
Si todos pueden generar un plan financiero, importa más quién comprende el negocio detrás de los números. Si todos pueden producir código, importa más quién entiende el sistema, los riesgos y a los usuarios. Si todos pueden escribir una campaña, importa más quién conoce a la audiencia y puede distinguir una idea llamativa de una decisión comercial sensata.
Las habilidades técnicas y humanas no están compitiendo
El Future of Jobs Report 2025 del World Economic Forum ubica a la inteligencia artificial y los datos entre las habilidades cuyo uso crecerá más rápido hacia 2030.
Eso confirma que aprender IA importa.
Pero el mismo informe destaca pensamiento analítico, creatividad, resiliencia, flexibilidad, curiosidad, aprendizaje continuo, liderazgo y pensamiento sistémico. No aparece una elección entre habilidades tecnológicas y humanas. Aparece una combinación.
Cuanto más fácil es generar una respuesta, más importante se vuelve formular el problema. Cuanto más contenido podemos producir, más importa decidir cuál merece existir. Cuantas más acciones ejecuta un agente, más necesario es establecer límites y asumir responsabilidad.
Incluso llamar “habilidades blandas” a todo esto empieza a sonar extraño. Escuchar bien un problema, negociar una prioridad, explicar una decisión y generar confianza no son adornos alrededor del trabajo. Muchas veces son el trabajo.
Siete capacidades que pueden marcar la diferencia
Si usar IA se vuelve una condición de base, ¿dónde puede aparecer el diferencial? Para mí hay siete capacidades que van a pesar cada vez más.
1. Conocimiento de dominio
Entender cómo funciona realmente un campo: sus restricciones, excepciones, incentivos y consecuencias. No solamente hablar su vocabulario.
2. Formulación
Elegir qué problema vale la pena resolver, separar síntomas de causas y definir cómo reconocer una solución útil. Un sistema puede responder una pregunta mal formulada con una eficiencia impresionante.
3. Evaluación
Comprobar hechos, buscar evidencia contraria, detectar supuestos y no confundir una respuesta convincente con una respuesta correcta. La abundancia de resultados aumenta, no reduce, la necesidad de juzgarlos.
4. Criterio
Decidir qué es suficientemente bueno, qué riesgo es aceptable y qué conviene no hacer aunque sea técnicamente posible. El criterio suele construirse después de ver problemas reales, no leyendo una lista de mejores prácticas.
5. Integración
Llevar una idea hasta un proceso que funciona. Conectar datos, personas, herramientas y decisiones. Cerrar ese último tramo donde tantas demostraciones impresionantes quedan detenidas.
6. Comunicación
Escuchar lo que alguien necesita, hacer visible una duda, explicar una decisión y construir acuerdos. Un resultado que nadie entiende o acepta difícilmente produce valor, aunque haya sido generado en segundos.
7. Responsabilidad
Poder decir: entiendo lo que hicimos, sé por qué lo hicimos y me hago cargo de revisarlo cuando cambien las condiciones. La herramienta puede ejecutar parte del proceso; alguien todavía tiene que ser dueño del resultado.
La IA puede ayudarnos con las siete. Ninguna pertenece exclusivamente a los humanos para siempre. El punto es que la ventaja no vive dentro de un prompt aislado, sino en la combinación completa.
Una pregunta incómoda y bastante útil
Hay una prueba sencilla para pensar nuestro propio trabajo:
Si mañana todas las personas de mi profesión tuvieran acceso al mismo modelo y supieran utilizarlo, ¿qué seguiría haciendo valioso mi aporte?
No es una pregunta para asustarse. Es una forma de encontrar dónde conviene invertir.
Quizás sea una relación con clientes construida durante años. La comprensión de un sistema complejo. La capacidad de enseñar. Un criterio estético. La experiencia de haber visto fallar proyectos parecidos. La habilidad de unir áreas que no suelen hablarse. O la constancia para llevar una idea hasta el final.
La misma pregunta sirve para una empresa.
Si todos sus competidores acceden a modelos semejantes, ¿qué permite que la organización obtenga un resultado distinto?
Puede ser la calidad de los datos, la claridad de los procesos, la confianza de sus clientes, una distribución difícil de copiar o la velocidad con la que sus equipos aprenden. La ventaja no será simplemente poseer IA. Será incorporarla a una capacidad que una cuenta nueva no pueda reproducir de un día para otro.
No saltemos la etapa de aprender la herramienta
Hay un riesgo en este argumento: usarlo como excusa para no aprender IA.
“Lo importante es el criterio”, decimos, y seguimos trabajando exactamente como antes. Eso tampoco funciona.
Para utilizar una tecnología con criterio hay que conocerla. Necesitamos entender qué puede hacer, cómo darle contexto, qué errores comete, cuánto cuesta, qué información no deberíamos compartir y cuándo conviene elegir otra herramienta.
La fluidez básica será necesaria precisamente porque la IA estará en todas partes. Quien no la tenga puede quedar en desventaja de la misma forma que hoy quedaría alguien incapaz de buscar información o trabajar con documentos digitales.
La diferencia es esta:
Aprender IA es entrar a la cancha. No garantiza ganar el partido.
La ventaja estará antes y después de la respuesta
Saber usar inteligencia artificial no va a dejar de importar. Se convertirá en infraestructura: una capacidad esperada, integrada y cada vez menos visible.
El diferencial se moverá hacia lo que hacemos antes y después de la respuesta. Elegir el problema. Aportar contexto. Evaluar. Decidir. Comunicar. Integrar. Responder por el resultado.
Cuando la inteligencia disponible se vuelve abundante, el criterio no pierde valor. Se convierte en el lugar donde decidimos cómo usar esa abundancia.
Por eso yo no dejaría de aprender IA. La aprendería con una pregunta más exigente:
¿Qué capacidad propia estoy amplificando con ella?
Dentro de poco muchas personas podrán generar un informe, una imagen, un análisis o un bloque de código. La diferencia estará en quién pueda convertir ese material en algo verdadero, útil y confiable para otra persona.
Si querés seguir pensando conmigo sobre inteligencia artificial, software y trabajo, comparto nuevos experimentos y reflexiones en mi canal de YouTube.